BAB I PENDAHULUAN
1.6. Relevansi Tugas Akhir
Tugas akhir ini berkaitan dengan mata kuliah Bahasa Pemrograman, Riset Operasi dan Riset Operasi Lanjut yang tercangkup pada Laboratorium Rekayasa Data Dan Intelegensi Bisnis.
7
TINJAUAN PUSTAKA
Dalam bab ini akan menjelaskan mengenai penelitian sebelumnya, profil daerah yang digunakan dalam studi kasus penelitian dan tinjauan pustaka yang digunakan sebagai dasar acuan dalam menyelesaikan tugas akhir.
2.1.Penelitian Sebelumnya
Judul Paper
An improved ant colony optimization for vehicle routing problem [10]
Penulis ; Tahun
Yu Bin, Yang Zhong-Zhen, Yao Baozhen; 2009 Deskripsi
Umum Penelitian
Permasalahan rute kendaraan atau Vehicle Routing Problem (VRP) adalah permasalahan optimasi kombinatorial yang cukup terkenal yang memegang peranan penting dalam manajemen logistik. Paper ini mengusulkan algoritma Ant Colony Optimization dengan improvisasi untuk menyelesaikan beberapa permasalahan rute kendaraan dan membandingkan hasil penyelesaian yang didapatkan dengan hasil penyelesaian dengan metode yang digunakan sebelumnya. Hasil pada paper ini menunjukkan algoritma Ant Colony Optimization dengan improvisasi yang diusulkan memberikan hasil yang lebih efektif dan efisien dibandingkan dengan algoritma yang digunakan sebelumnya.
Keterkaitan Penelitian
Dasar penggunaan algoritma pada paper ini menjadi acuan dalam pengerjaan tugas akhir
Judul Paper Integrating a heterogeneous fixed fleet and a flexible assignment of destination depots in the waste collection VRP with intermediate facilities [11]
Penulis ; Tahun
Iliya Markov, Sacha Varone, Michael Bierlaire ; 2015
Deskripsi Umum Penelitian
Permasalahan kegiatan pengumpulan sampah dipertimbangkan sebagai permasalahan rute kendaraan dalam kelas yang lebih luas dengan mengintegrasikan armada tetap heterogen dan tugas fleksibel di depot tujuan menggunakan fasilitas menengah. Dengan beberapa batasan tambahan yang ada di lapangan, seperti lama waktu istirahat yang ditentukan berdasarkan waktu mulai perjalanan, kapasitas beberapa kendaraan, dan lainnya. Penelitian ini merekomendasikan penyelesaian menggunakan lingkungan pencarian heuristik untuk menyelesaika beberapa contoh permasalahan di dunia nyata dengan karakteristik yang berbeda-beda. Hasil penelitian ini menunjukkan bahwa metode heuristik mampu menyelesaikan beberapa contoh kecil mendekati optimal, dengan menunjukkan kinerja yang kompetitif jika dibandingkan dengan metode solusi yang paling mutakhir dalam beberapa kasus tertentu dan mengarah pada penghematan paling penting. Bahkan, metode heuristik juga menyoroti dan mengukur penghematan dengan dilakukannya tugas depot yang fleksibel. Keterkaitan
Penelitian
Permasalahan pada penelitian ini menjadi acuan dalam pengerjaan tugas akhir.
Judul Paper
An Ant Colony system empowered variable neighborhood search algorithm for the vehicle routing problem with simultaneous pickup and delivery
Penulis ; Tahun
Deskripsi Umum Penelitian
Penggunaan Algoritma Ant Colony Optimization (ACS – Ant Colony System) yang mendukung peggunaan algoritma Pencarian Lingkungan (VNS – Variable Neighborhood Search) dalam permasalahan rute kendaraan dengan mempertimbangkan pelayanan campuran, yaitu pengiriman dan pengambilan barang yang biasa disebut Vehicle Routing Problem with Simultaneous Pickup and Delivery (VRPSPD) yang tergolong ke dalam permasalahan NP-Hard. VNS adalah algoritma optimasi yang kuat yang menyediakan pencarian lokal yang intensif, namun sayangnya algoritma ini tidak memiliki struktur memori. Oleh karena itu, digunakan ACS untuk meminimalisir kekurangan tersebut dengan memanfaatkan struktur memori jangka panjang yang dimiliki. Sehingga, kinerja keseluruhan algoritma bisa meningkat. Percobaan penggunaan algoritma ini diterapkan pada beberapa penelitian dengan permasalahan yang sama untuk menjadi perbandingan hasil dari algoritma ini dengan algoritma lainya pada penelitian sebelumnya. Hasilnya, didapatkan bahwa penelitian ini menghasilkan nilai yang kuat dan sangat efisien baik dari segi kualitas solusi dan waktu running CPU karena nilai yang lebih baik mampu dihasilkan dalam kurun waktu yang cukup singkat.
Keterkaitan Penelitian
Referensi algoritma pada penelitian ini akan menjadi acuan pengerjaan tugas akhir.
2.2.Dasar Teori
2.2.1.Dinas Lingkungan Hidup dan Kebersihan
Kabupaten Sidoarjo
Berdasarkan Pasal 4 dan Pasal 5 Peraturan Bupati Sidoarjo Nomor 77 Tahun 2016, menjelaskan bahwa pada Pasal 4, Dinas Lingkungan Hidup dan Kebersihan Kabupaten Sidoarjo mempunyai tugas membantu Bupati melaksanakan urusan pemerintahan di bidang lingkungan hidup dan tugas pembantuan yang diberikan kepada kabupaten.
Dan untuk melaksanakan tugas sebagaimana dimaksud dalam Pasal 4, Dinas Lingkungan Hidup dan Kebersihan menyelenggarakan fungsi sebagai berikut:
a) Perumusan kebijakan bidang lingkungan hidup
b) Pelaksanaan kebijakan bidang lingkungan hidup
c) Pelaksaaan evaluasi dan pelaporan bidang lingkungan
hidup
d) Pelaksanaan administrasi dinas lingkungan hidup
e) Pelaksanaan tugas lain yang diberikan oleh Bupati
sesuai dengan tugasnya [13].
2.2.2.Teknik Pengelolaan dan Pengangkutan Sampah
di Perkotaan
Berdasarkan Standar Nasional Indonesia mengenai tata cara pengelolaan sampah perkotaan, teknik operasional pengelolaan persampahan terdiri dari kegiatan pewadahan sampai dengan pembuangan akhir sampah dan harus bersifat terpadu dengan melakukan pemilahan sejak dari sumbernya [14]. Teknik operasional pengelolaan persampahan dapat dilihat pada skema berikut:
Diagram 2.1 Teknik operasional pengelolaan persampahan [14]
Terdapat dua jenis sistem pengangkutan sampah yang dapat dilakukan oleh Dinas Kebersihan di setiap kota/kabupaten yaitu dengan menggunakan sistem pemindahan (transfer depo), dengan proses pengangkutan menggunakan sistem kontainer angkat / Hauled Container System (HCS) dan sistem kontainer tetap / Stationary Container System (SCS).
Metode HCS menggunakan armada arm roll truck, yaitu truk dengan kontainer yang dapat diangkat atau diturunkan. Sistem pada metode HCS ini yaitu truk membawa kontainer kosong dari pool, menurunkan kontainer kosong ke TPS dengan membawa kontainer berisi sampah untuk diangkut ke TPA. Dari TPA kemudian akan membawa kontainer kosong menuju TPS dan kegiatan terus berulang sampai layanan TPS yang dijadwalkan di masing-masing truk terpenuhi.
Diagram 2.2 Pengangkutan sampah dengan metode HCS [14]
Dengan proses pengangkutan pada metode HCS adalah sebagai berikut:
- Kendaraan dari pool dengan dengan membawa kontainer kosong menuju lokasi kontainer isi untuk mengganti atau mengambil dan langsung membawanya ke TPA
- Kendaraan dengan membawa kontainer kosong dari TPA menuju kontainer isi berikutnya
- Demikian seterusnya sampai ritasi terakhir
Sedangkan untuk metode SCS menggunakan armda dump truck, yang merupakan truk yang mengangkut sampah dengan memindahkan sampah-sampah yang terdapat di masing-masing titik TPS ke dalam angkutan truk sampai penuh untuk kemudian dibawa ke TPA.
Diagram 2.3 Pengangkutan sampah dengan metode SCS [14]
Dengan proses pengangkutan pada metode SCS adalah sebagai berikut:
- Kendaraan dari pool menuju TPS pertama, sampah dimuat ke dalam truk
- Kendaraan menuju TPS berikutnya sampai truk penuh untuk kemudian menuju TPA
- Demikian seterusnya sampai ritasi terakhir
2.2.3.Optimasi
2.2.3.1.Definisi Masalah Optimasi
Optimisasi adalah suatu proses untuk mencapai hasil yang optimal (nilai efektif yang dapat dicapai). Dalam disiplin matematika optimisasi merujuk pada studi permasalahan yang mencoba untuk mencari nilai minimal atau maksimal dari suatu fungsi riil. Untuk dapat mencapai nilai optimal baik minimal atau maksimal tersebut, secara sistematis dilakukan pemilihan nilai variabel integer atau riil yang akan memberikan solusi optimal.
2.2.3.2.Macam-Macam Permasalahan Optimasi
Permasalahan yang berkaitan dengan optimisasi sangat kompleks dalam kehidupan sehari-hari. Nilai optimal yang didapat dalam optimisasi dapat berupa besaran panjang, waktu, jarak, dan lain-lain. Berikut ini adalah termasuk beberapa persoalan optimisasi:
1. Menentukan lintasan terpendek dari suatu tempat ke tempat yang lain.
2. Menentukan jumlah pekerja seminimal mungkin untuk melakukan suatu proses produksi agar pengeluaran biaya pekerja dapat diminimalkan dan hasil produksi tetap maksimal.
3. Mengatur rute kendaraan umum agar semua lokasi dapat dijangkau.
4. Mengatur routing jaringan kabel telepon agar biaya pemasangan kabel tidak terlalu besar dan penggunaannya tidak boros.
Selain beberapa contoh di atas, masih banyak persoalan lainnya yang terdapat dalam berbagai bidang.
2.2.3.3.Penyelesaian Masalah Optimasi
Secara umum, penyelesaian masalah pencarian jalur terpendek dapat dilakukan dengan menggunakan dua metode, yaitu metode konvensional dan metode heuristik. Metode konvensional diterapkan dengan perhitungan matematis biasa, sedangkan metode heuristik diterapkan dengan perhitungan kecerdasan buatan, dengan menentukan basis pengetahuan dan perhitungannya.
1. Metode Konvensional
Metode konvensional berupa algoritma yang menggunakan perhitungan matematis biasa. Ada beberapa metode yang biasa digunakan untuk melakukan pencarian jalur terpendek, diantaranya
algoritma Djikstraa, algoritma Floyd-Warshall, dan algoritma Bellman-Ford.
2. Metode Heuristik
Metode Heuristik adalah sub bidang dari kecerdasan buatan yang digunakan untuk melakukan pencarian dan optimasi. Ada beberapa algoritma pada metode heuristik yang biasa digunakan dalam permasalahan optimasi, diantaranya algoritma genetika, algoritma semut, logika fuzzy, jaringan syaraf tiruan, pencarian tabu, simulated annealing, dan lain-lain [17].
2.2.4.Ant Colony Optimization (ACO)
Pada kehidupan sebenarnya, semut – semut meninggalkan sarang untuk mencari makanan dan harus mencari kembali sarang mereka. Misalkan ada segerombolan semut yang mencari makanan, maka semut yang berada di depan harus memilih lintasan tertentu untuk dilewati. Pada saat semut pertama berjalan, semut tersebut meninggalkan pheromone yang dapat dicium oleh semut berikutnya, sehingga semut-semut berikutnya tahu apakah tempat tersebut sudah dilewati atau belum.
Algoritma semut diperkenalkan oleh Moyson dan Mendrik dan secara meluas dikembangkan oleh Macro Dorigo, merupakan teknik probalilistik untuk menyelesaikan masalah komputasi dengan menemukan jalur terbaik melalui grafik. Algoritma ini terinspirasi oleh perilaku semut dalam menemukan jalur dari koloninya menuju makanan.
Algoritma Ant Colony Optimization (ACO) adalah algoritma yang bersifat heuristik untuk menyelesaikan masalah optimasi. Algoritma Ant Colony Optimization terinspirasi dari perilaku Ant Colony Optimization dalam mencari makan dan menargetkan masalah optimasi diskrit. Secara alamiah, Ant Colony Optimization mampu menemukan rute terpendek dalam
perjalanan dari sarang ke tempat-tempat sumber makanan berdasarkan jejak kaki yang mengandung pheromone pada lintasan yang telah dilalui oleh semut-semut lainnya. Semakin banyak semut yang melalui suatu lintasan, maka semakin jelas bekas jejak kakinya. Hal ini kemudian mengakibatkan, lintasan yang jarang dilalui semut pun menjadi berkurang kandungan pheromone-nya, dan kepadatan semut yang melalui lintasan tersebut akhirnya semakin berkurang atau bahkan tidak dilewati sama sekali. Dan sebaliknya, lintasan yang banyak dilalui semut akan bertambah kandungan pheromone-nya, sehingga lintasan tersebut akan semakin padat dan mungkin semua Ant Colony Optimization hanya akan melewati lintasan tersebut. Gambar berikut merupakan ilustrasi dari konsep Ant Colony Optimization [18].
Gambar 2.1 Ilustrasi pencarian makanan pada Ant Colony Optimization
Pada saat semut berjalan ia meninggalkan sejumlah informasi, yang disebut pheromone (dalam jumlah tertentu), ditempat yang dilaluinya dan menandai jalur tersebut. Dengan perantara pheromone inilah terjadi komunikasi tidak langsung dan juga pertukaran informasi antar semut selagi membangun suatu solusi. Bentuk komunikasi tidak langsung yang diperlihakan oleh semut ini disebut stigmergy.
Gambar 2.2 Bentuk komunikasi stigmergy pada Ant Colony Optimization
Gambar 2a diatas menunjukkan ada dua kelompok semut yang akan melakukan perjalanan. Satu kelompok bernama L yaitu kelompok yang berangkat dari arah kiri yang merupakan sarang semut dan kelompok lain yang bernama kelompok R yang berangkat dari kanan yang merupakan sumber makanan. Kedua kelompok semut dari titik berangkat sedang dalam posisi pengambilan keputusan jalan sebelah mana yang akan diambil. Kelompok semut L membagi dua kelompok lagi. Sebagian melalui jalan atas dan sebagian melalui jalan bawah. Hal ini juga berlaku pada kelompok semut R. Gambar 2b dan gambar 2c menunjukkan bahwa kelompok semut berjalan pada kecepatan yang sama dengan meninggalkan pheromone atau jejak kaki di jalan yang telah dilalui. Pheromone yang ditinggalkan oleh kumpulan semut yang melalui jalan atas telah mengalami banyak penguapan karena semut yang melalui jalan atas berjumlah lebih sedikit dari pada jalan yang di bawah. Hal ini dikarenakan jarak yang ditempuh lebih panjang daripada jalan bawah. Sedangkan pheromone yang berada di jalan bawah, penguapannya cenderung lebih lama. Karena semut yang melalui jalan bawah lebih banyak daripada semut yang
melalui jalan atas. Gambar 2d menunjukkan bahwa semut-semut yang lain pada akhirnya memutuskan untuk melewati jalan bawah karena pheromone yang ditinggalkan masih banyak. Sedangkan pheromone pada jalan atas sudah banyak menguap sehingga semut-semut tidak memilih jalan atas tersebut. Semakin banyak semut yang melalui jalan bawah maka semakin banyak semut yang mengikutinya. Demikian juga dengan jalan atas, semakin sedikit semut yang melalui jalan atas, maka pheromone yang ditinggalkan semakin berkurang bahkan hilang. Dari sinilah kemudian terpilihlah jalur terpendek antara sarang dan sumber makanan. Hal ini berarti bahwa semakin banyak semut yang mengikuti sebuah jalur maka semakin bertambah menariklah jalur tersebut untuk dilalui. Probabilitas dimana seekor semut memutuskan untuk mengikuti suatu jalur meningkat dengan banyaknya semut yang lebih dulu menggunakan jalur tersebut [19].
Dalam algoritma Ant Colony System (ACS) terdapat jumlah semut yang masing-masing akan melakukan perjalanan dari satu kota ke kota yang lainnya. Banyaknya semut yang akan melakukan pejalanan ditentukan oleh pengguna ACS. Semakin banyak jumlah semut pada ACS, maka solusi yang akan diperoleh akan lebih baik dibandingkan dengan jumlah semut yang lebih sedikit pada jumlah iterasi yang sama, jumlah semut yang semakin banyak akan mengakibatkan waktu komputasi untuk memperoleh solusi menjadi lebih lama. Pada saat semut melakukan perjalanan untuk mencari solusi dari TSP ia akan dipengaruhi oleh jejak pheromone dan jarak antar kota. Jumlah pheromone antara kota i dengan kota j akan dilambangkan dengan 𝜏(𝑖, 𝑗). Nilai 𝜏(𝑖, 𝑗) akan selalu dimodifikasi selama algoritma ACS dijalankan [18].
Ada tiga buah aturan yang akan digunakan dalam ACS yaitu: 1. Aturan State Transition
Aturan ini digunakan oleh semut untuk memutuskan ke kota mana ia akan pergi. Dengan menerapkan aturan ini, semut dapat memilih untuk pergi kesisi yang baru (sisi yang belum dilewati oleh semut) atau sisi yang terbaik (sisi yang memiliki jumlah pheromone terbanyak dan jarak terpendek) secara probabilitas. 2. Aturan Local updating
Setelah semut melalui sisi tertentu, maka jumlah pheromone pada sisi tersebut akan berkurang. Jumlah pheromone pada sisi yang baru saja dikunjungi oleh semut dapat diperoleh dengan menerapkan local updating.
3. Aturan Global Updating
Aturan ini digunakan setelah semua semut membentuk jalur perjalanan. Pada aturan global updating akan dilakukan pengurangan jumlah pheromone pada semua sisi, kemudian dilakukan penambahan jumlah pheromone pada sisi-sisi yang termasuk dalam perjalanan dengan jarak yang terpendek.
Dalam algoritma ACS akan dilakukan proses iterasi (pengulangan dalam mencari jalur terpendek dan jarak perjalanan yang terpendek). Banyak iterasi yang dilakukan sesuai dengan banyaknya iterasi yang diinginkan oleh pengguna. Dalam sebuah proses iterasi, semua semut akan melakukan perjalanan sampai semua kota dikunjungi, ketika semut melakukan perjalannya, semut akan melukan state transition untuk memilih kota yang akan dituju dan aturan local updating untuk memodifikasi jumlah pheromone pada sisi yang telah dikunjungi oleh semut. Setelah semua kota dikunjungi oleh semut, maka digunakan aturan global updating untuk mengurangi jumlah pheromone pada semua sisi dan menambah
jumlah pheromone pada sisi-sisi yagn termasuk dalam perjalanan dengan jarak terpendek.
Cara kerja ACS adalah sebagai berikut:
a) Masing-masing semut mula-mula ditempatkan pada sebuah kota yang diperoleh dari hasil inisialisasi. b) Setiap semut melakukan perjalanan dengan dengan
menerapkan aturan state transition untuk mencari kota yang ditujunya.
c) Ketika semut sudah menggunakan aturan state transition, ia langsung menerapkan aturan local updating untuk mengurangi jumlah pheromone pada sisi yang telah dikunjunginya.
d) Penggunaan aturan state transition dan local updating ini terus dilakukan berulang-ulang sampai semua semut mengunjungi semua kota yang ada pada permasalahan TSP.
e) Setelah semua semut menyelesaikan perjalananya maka dilakukan perhitungan panjang perjalanan untuk semua semut dan dilakukan pencarian semut memiliki panjang perjalanan terpendek, kemudian jumlah pheromone pada semua sisi dimodifikasi lagi denga menerapkan aturan global updating.
f) Langkah-langkah tersebut dilakukan berulang kali sampai jumlah iterasi yang diinginkan oleh pengguna program [18].
2.2.2.1.Aturan State Transition
Aturan state transition dalam ACS adalah sebagai berikut: sebuah semut yang berada dikota i memilih untuk pergi ke kota s dengan menerapkan persamaan berikut:
Persamaan 4.1
dimana :
q0 = Parameter yang menunjukan hubungan antara exploitasi dan eksplorasi (0<q 0 <1)
q = Parameter bernilai acak antara 0 sampai 1 (0<q<1) β = Parameter yang engatur bobot intensitas relative
jejak pheromone. Jika β = 0 jarak antar kota tidak berpengaruh
𝜏(𝑖, 𝑙) = Jumlah pheromone pada sisi yang menghubungkan kota i dengan kota l
𝜂(𝑖, 𝑙) = Panjang sisi dari kota i ke kota l
Jk(i) = Daftar sekumpulan kota yang masih harus dikunjungi oleh semut k ketika semut masih di kota i, lengkap dengan daftar semua kota yang akan dikunjungi, Jk(i) disebut juga sebagai tempat penyimpanan kota-kota yang akan dikunjungi semut j = kota yang berada dalam Jk(i)
Eksploitasi: semut mengeksploitasi kota yang telah dikunjungi sebelumnya
Ekplorasi: semut mengeksplorasi kota yang belum pernah dikunjungi sebelumnya
Jika q ≤ q0 (exploitasi) yaitu semut akan memilih jalur yang terbaik menurut nilai pheromone dan dari heuristic.
Jika q ≥ q0 (explorasi) yaitu semut akan memilih kota berikutnya menurut persamaan probabilitas berikut ini:
Persamaan 4.2
dimana:
Pk(i, j) = Probabilitas semut k memilih untuk berpindah dari kota i ke kota j
τ(i,j) = Jumlah pheromone pada sisi dari kota i ke kota j η(i,j) = Panjang sisi dari kota i ke kota j
β = Parameter yang engatur bobot intensitas relative jejak pheromone. Jika β = 0 jarak antar kota tidak berpengaruh
τ(i,l) = Jumlah pheromone pada sisi dari kota i ke kota l η(i,j) = Panjang sisi dari kota i ke kota l
2.2.2.2.Aturan Local Updating
Ketika semut sedang mencari solusi dari Travelling Salesman Problem. Semut mengunjungi sisi yang menghubungkan satu kota dengan kota yang lainnya dan langsung memodifikasi jumlah pheromone pada sisi yang baru saja dikunjunginya dengan menerapkan persamaan berikut:
Persamaan 4.3
dimana:
ρ = parameter yang merepresentasikan evaporation pheromone local yang bernilai antara 0 sampai 1 (0< ρ <1)
𝜏0 = (jumlah pheromone awal) = 1
𝑗𝑎𝑟𝑎𝑘𝑎𝑤𝑎𝑙∗𝑗𝑢𝑚𝑙𝑎ℎ𝑘𝑜𝑡𝑎 Parameter ρ akan menentukan besarnya pengurangan pheromone pada sisi yang baru saja dikunjunginya oleh semut. Semakin besar nilai maka pengurangan jumlah pheromone akan semakin banyak, sehingga perjalanan semut akan cepat konvergen pada jalur tertentu.
Dengan adanya local updating, maka jumlah pheromone pada sisi yang baru saja dikunjungi menjadi berkurang sehingga kemungkinan terpilihnya sisi tersebut oleh semut yang lain pada langkah iterasi yang sama menjadi berkurang. Akibatnya semut tidak pernah konvergen pada sisi tertentu saja, tetapi semut lebih suka memilih sisi-sisi yang belum pernah dikunjungi. 2.2.2.3.Aturan Global Updating
Aturan global updating dilakukan setelah semua semut selesai melakukan perjalanannya. Jumlah pheromone pada setiap sisi dimodifikasi dengan menerapkan persamaan berikut:
dimana:
ρ = parameter yang merepresentasikan evaporation pheromone global; yang bernilai antara 0 sampai 1 (0< ρ <1)
Lgb = Jarak tempuh terpendek yang di peroleh sejak awal iterasi sampai dengan iterasi yang sedang berlangsung. Global updating dimaksudkan mengurangi jumlah pheromone pada semua sisi sebesar ρ kemudian dilakukan penambahan jumlah pheromone pada sisi yang termasuk dalam perjalanan dengan jarak yang paling pendek.
Parameter ρ pada persamaan diatas untuk menetukan besarnya penguapan pheromone. Semakin besar nilai ρ maka penguapan pheromone akan semakin banyak. Penguapan pheromone yang terlalu banyak akan menyebabkan perjalan semut menjadi cepat konvergen pada jalur tertentu [18].
25
METODOLOGI PENELITIAN
Bab metodologi membahas mengenai alur penyelesaian penelitian. Tujuan dari bab ini adalah agar penyusunan dan penyelesaian penelitian dapat terstruktur dan selesai tepat pada waktu yang telah direncanakan.
3.1.Diagram Metodologi
Berikut ini disajikan metodologi pengerjaan tugas akhir Perancangan Sistem Optimasi Rute Pengangkutan Sampah di Kabupaten Sidoarjo menggunakan Algoritma Ant Colony Optimization (ACO):
3.2.Uraian Metodologi
Berdasarkan pada diagram alur metodologi yang telah dikemukakan pada sub bab sebelumya, di bawah ini adalah penjelasan pada setiap proses pengerjaan tugas akhir sesuai dengan metodologi yang telah dibuat:
3.2.1.Identifikasi dan Perumusan Masalah
Pada tahapan pertama ini dilakukan identifikasi serta perumusan masalah yang terkait dengan latar belakang, tujuan serta manfaat yang akan didapat dalam penelitian. Tugas akhir ini membahas mengenai permasalahan pengangkutan sampah yang terjadi di Kabupaten Sidoarjo, dimana Kabupaten Sidoarjo memiliki luas wilayah yang lebih besar jika dibandingkan dengan Kota Surabaya. Tahapan ini juga menentukan metode yang akan digunakan untuk menyelesaikan permaasalahan yang didapat. Pada tugas akhir ini, pencarian rute pengangkutan sampah yang paling optimum diselesaikan dengan menggunakan Algoritma Ant Colony Optimization.
3.2.2.Tinjauan Pustaka
Pada tahapan ini dilakukan studi literatur terkait penelitian yang telah dilakukan oleh peneliti lain dan teori-teori yang dibutuhkan dalam pengerjaan tugas akhir. Tahapan ini dimulai dengan pencarian literatur mengenai permasalahan terkait pengangkutan sampah, yang umumnya dimodelkan sebagai permasalahan rute kendaraan atau Vehicle Routing Problem (VRP) dan literatur mengenai metode yang akan digunakan, yaitu Algoritma Ant Colony Optimization (ACO) dalam menyelesaikan permasalahan rute kendaraan. Literatur pendukung lainnya terkait kondisi eksisting sistem pengolahan dan pengangkutan sampah.
3.2.3.Pengumpulan dan pengolahan Data
Data merupakan hal penting dalam sebuah penelitian. Data yang dibutuhkan dalam penelitian berupa data masa lalu
sebagai acuan dalam mengerjakan penelitian. Data yang digunakan adalah informasi kondisi eksisting pengolahan dan pengangkutan sampah di Kabupaten Sidoarjo saat ini, data armada dan rute pengangkutan sampah di tahun 2016. Dalam